Een tweefasig meerdoeloptimalisatiekader voor gecoördineerde EV-laadscheduling en blindstroomdispatch

Waarom slimmer opladen van elektrische auto’s ertoe doet

Elektrische voertuigen beloven schonere lucht en lagere broeikasgasemissies, maar als miljoenen bestuurders hun auto’s zomaar aansluiten wanneer het hen uitkomt, kan het lokale elektriciteitsnet onder druk komen te staan. Transformatoren kunnen overbelast raken, vermogensverliezen nemen toe en spanningen drijven buiten veilige grenzen. Dit artikel presenteert een praktische manier om thuisladen voor honderden EV’s tegelijk te beheren, waarmee verspilling en kosten worden verminderd terwijl de stroomvoorziening en de netgezondheid gehandhaafd blijven.

Auto’s en kabels in balans brengen

De auteurs richten zich op een typisch stedelijk distributienet: een radiale voeding met 33 knooppunten die woningen bedient waar 984 elektrische auto’s voornamelijk ’s nachts laden. In plaats van bestuurders meteen bij aankomst te laten laden, coördineert een centrale computer—een zogenaamde aggregator—wanneer elke auto daadwerkelijk stroom afneemt. Het doel is het spreiden van het laden over de nacht om pieken in de vraag te vermijden, terwijl nog steeds aan de vereiste van elke bestuurder wordt voldaan om met een bijna volle accu te vertrekken. Dit is belangrijk omdat de huidige netten niet zijn ontworpen voor grote concentraties EV’s in dezelfde straat, en ongecontroleerd laden kan de vermogensverliezen verdubbelen en apparatuur boven de nominale capaciteit brengen.

Twee manieren om vooruit te plannen

Het kader kent twee planningswijzen. In de ‘day-ahead’-modus plant de aggregator de volgende 24 uur vooruit met behulp van voorspellingen van elektriciteitsprijzen, basisvraag van huishoudens en verwachte aankomst- en vertrektijden van EV’s. Hij voert gedetailleerde stroomloopberekeningen uit en controleert transformatorbelasting, lijnverliezen en spanningen op elk knooppunt. In de ‘real-time’-modus werkt het systeem elke vijf minuten beslissingen bij, alleen voor nieuw aangekomen auto’s, en gebruikt het eenvoudigere formules in plaats van volledige netwerkberekeningen om snel genoeg te blijven voor online aansturing. Day-ahead-planning heeft het voordeel dat het het hele plaatje ziet en dicht bij een globaal optimum kan uitkomen; real-time-planning reageert beter op verrassingen, zoals later aankomende bestuurders of extra gevraagde energie.

Geparkeerde auto’s gebruiken om het net te ondersteunen

Een belangrijke vernieuwing is dat de auteurs niet alleen plannen wanneer auto’s laden; ze gebruiken ook de elektronica in laders om de stroom van niet-afgeefbare energie, genaamd blindstroom, vorm te geven. In tegenstelling tot het ontladen van de batterij naar het net verkort het leveren van blindstroom de levensduur van de accu niet. Wanneer lokale spanningen zakken of stijgen, kan de inverter van de lader dit soort vermogen injecteren of absorberen om spanningen terug naar het ideale niveau te duwen. Om het probleem beheersbaar te houden, stemt de methode niet elke individuele auto af; in plaats daarvan beslist ze hoeveel blindstroom op elk knooppunt van het netwerk moet worden geleverd, gebaseerd op hoeveel EV’s daar zijn aangesloten en hoe zwaar ze laden.

Slimmere algoritmen achter de schermen

Aangezien het systeem meerdere doelen tegelijk moet afwegen—het minimaliseren van vermogensverliezen, het afvlakken van de belastingcurve, het houden van spanningen binnen ±5% van nominaal en het verlagen van laadkosten—stellen de auteurs de taak op als een meerdoeloptimalisatieprobleem. Ze testen verschillende moderne metaheuristische zoekmethoden geïnspireerd door de natuur, waaronder deeltjeszwermen en patronen van dierbeweging. Daaronder presteert een relatief nieuwe methode, het Slime Mould-algoritme, het best en vindt consequent oplossingen die zowel de netbelasting als de rekeningen van klanten verminderen. De studie onderzoekt ook de afwegingen tussen doelstellingen met Pareto-fronten, waardoor netbeheerders kunnen kiezen of ze bijvoorbeeld lagere verliezen of goedkoper laden willen prioriteren.

Wat de cijfers aantonen

Simulaties tonen aanzienlijke voordelen. Bij ongecontroleerd laden gaat dagelijks ongeveer 4,04 megawattuur aan energie verloren als warmte in het netwerk. Met gecoördineerd laden daalt dit met ongeveer 19% in het day-ahead-geval en 16% in het real-time-geval. Wanneer blindstroomregeling via EV-laders wordt toegevoegd, dalen de verliezen nog verder—tot 2,55 en 2,77 megawattuur voor respectievelijk day-ahead- en real-timestrategieën—wat een reductie van 36,8% en 31,4% betekent. De ergste substationbelasting wordt teruggebracht binnen de 5 MVA-specificatie en spanningen langs de verste voeding blijven boven 0,95 per eenheid. Aan klantenkant dalen de totale laadkosten met ongeveer 29% bij day-ahead-scheduling en 34% bij real-time-scheduling, voornamelijk door laden te verschuiven naar laagtariefuren terwijl aan elke bestuurder’s gewenste laadstand wordt voldaan.

Wat dit betekent voor dagelijkse bestuurders

Voor EV-eigenaren is de voorgestelde aanpak grotendeels onzichtbaar: je sluit nog steeds thuis aan en geeft aan wanneer je moet vertrekken en hoe vol je de batterij wilt hebben. Achter de schermen spreidt de software van de netbeheerder de laadtijden en past stilletjes aan hoe laders met het net samenwerken, zodat buurten veel meer elektrische auto’s kunnen huisvesten zonder kostbare upgrades. De studie laat zien dat gecoördineerd EV-laden en slim gebruik van laadelektronica aanzienlijk energieverspilling kunnen verminderen, spanningen binnen veilige grenzen houden en rekeningen verlagen, en zo de weg vrijmaken voor schoner vervoer dat naadloos in bestaande energiesystemen past.

Bronvermelding: Badr, M.S., Sharaf, H.M. & Zobaa, A.M. A two-stage multi-objective optimization framework for coordinated EV charging scheduling and reactive power dispatch. Sci Rep 16, 12470 (2026). https://doi.org/10.1038/s41598-026-45109-9

Trefwoorden: opladen van elektrische voertuigen, slimme netten, blindstroomregeling, distributienetwerken, meerdoeloptimalisatie